K临近算法是基于实例的学习，使用算法的时候我们必须要有接近分类结果的实例训练样本数据。

优点：精度高，对异常值不敏感

缺点：

• 时间复杂度和空间复杂度比较大。（如果训练样本数据集比较大，需要大量的空间来保存数据，并且需要待预测数据和训练样本数据集每条数据的距离，耗费时间。）
• 无法给出任何数据的基础结构信息，因此无法知晓平均实例样本和典型事例样本有什么特征。
• 无法持久化分类器。